La entrevista con clientes mediante IA de McKinsey pone a prueba a candidatos muy ensayados
McKinsey está dando a algunos candidatos de nivel inicial 10 minutos con un cliente simulado, convirtiendo la entrevista con clientes mediante IA de McKinsey en una prueba de criterio en tiempo real. El avatar interpreta a un líder empresarial mientras evaluadores humanos observan cómo cada candidato escucha, responde y se adapta.
El piloto es relevante porque, según se informa, el software no puntúa a los candidatos ni decide quién avanza. La IA aporta la conversación impredecible, pero los socios y evaluadores de McKinsey conservan la responsabilidad de valorar al candidato.
Este diseño invierte la habitual ansiedad en torno a la contratación automatizada. La cuestión inmediata no es si un algoritmo rechaza a alguien. Es si un cliente digital estandarizado puede revelar cualidades que las entrevistas de casos ensayadas suelen ocultar.
Qué cambia con la entrevista con clientes mediante IA de McKinsey
McKinsey está sustituyendo parte de un ritual de selección guionizado por una conversación capaz de responder a los candidatos en tiempo real.
Según la cobertura sobre la AI client interview, candidatos universitarios seleccionados para puestos de analista de negocios se encontrarán con la simulación en Norteamérica. El despliegue reportado abarca a cientos de solicitantes durante la temporada de contratación de otoño.
Los candidatos hablan con el avatar durante unos 10 minutos dentro de una oficina de McKinsey. Los evaluadores humanos permanecen en la sala y observan la interacción.
Según se informa, el avatar puede asumir roles como el de un alcalde o un ejecutivo académico que necesita que una recomendación se explique con claridad. Estos roles generan diferentes presiones conversacionales sin exigir que un socio interprete repetidamente el papel del cliente.
Saleem Zafar, socio de McKinsey implicado en el piloto, afirmó, según se informa, que la simulación refleja cerca del 80 por ciento de las situaciones que los consultores afrontan en el trabajo. Esa cifra es una estimación de McKinsey, no una medida de cobertura laboral validada de forma independiente.
El sistema no pretende imitar a un cliente irracional o abusivo. En su lugar, presenta a una parte interesada plausible que hace preguntas, expresa reservas y reacciona al enfoque del candidato.
Esa distinción importa. Un bot deliberadamente caótico pondría a prueba principalmente la serenidad bajo estrés artificial. Un cliente coherente pero receptivo puede evaluar si alguien detecta inquietudes y cambia de rumbo.
Según se informa, los evaluadores observan si el candidato escucha lo que el cliente considera importante. También examinan si el solicitante actúa en función de esas señales o sigue impulsando una agenda preparada.
El nuevo ejercicio se suma a un proceso de selección ya complejo. La actual evaluación Solve de McKinsey utiliza un entorno similar a un juego para evaluar la capacidad de resolución de problemas junto con otras pruebas de la candidatura.
McKinsey también ha experimentado con casos asistidos por IA en oficinas seleccionadas. En esos ejercicios, los candidatos utilizan un sistema de IA como recurso mientras resuelven un problema empresarial.
El piloto del avatar prueba algo distinto. Coloca a la IA al otro lado de la mesa, donde representa a la persona que un consultor debe comprender e influir.
La distinción genera la tensión central del artículo. McKinsey busca una visión más realista de los candidatos, pero debe demostrar que una conversación sintética predice el desempeño con personas reales.
Por qué es más difícil ensayar a un cliente ficticio
La simulación se dirige a las respuestas pulidas que hacen que las entrevistas convencionales sean más fáciles de preparar y más difíciles de interpretar.
Los aspirantes a consultoría pueden pasar meses practicando casos de entrada a mercados, marcos de rentabilidad, relatos conductuales y formatos de recomendación. Una extensa industria de preparación ayuda a los candidatos a reconocer estructuras de problemas conocidas.
La preparación no es inherentemente engañosa. Enseña hábitos útiles, entre ellos una organización clara, disciplina cuantitativa y comunicación concisa.
Sin embargo, un ensayo intensivo puede reducir la diferencia entre el criterio auténtico y una presentación practicada. Dos candidatos pueden emplear marcos similares incluso cuando solo uno percibe lo que el cliente realmente necesita.
Un avatar receptivo cambia esa ecuación. El candidato no puede limitarse a completar un análisis y presentarlo al final. Debe gestionar una conversación mientras decide qué señales merecen atención.
Imaginemos que el alcalde simulado se preocupa menos por los ahorros proyectados que por la interrupción del servicio. Un candidato que sigue enfatizando los beneficios financieros ha pasado por alto la verdadera objeción de la parte interesada.
Otro solicitante podría reconocer la preocupación operativa, preguntar qué comunidades enfrentan el mayor riesgo y revisar la recomendación. Esa respuesta revela escucha y adaptación, no solo habilidad de presentación.
Las entrevistas de casos tradicionales pueden evaluar esos rasgos, pero su ejecución varía. Un entrevistador puede interrumpir con frecuencia, mientras otro ofrece indicaciones generosas o espera en silencio.
Un cliente simulado puede presentar objeciones comparables en todas las sesiones. Esto ofrece a los evaluadores un punto de partida más estable para comparar a los solicitantes.
La coherencia resulta especialmente atractiva cuando una empresa evalúa a cientos de personas en distintas oficinas. Puede reducir las diferencias accidentales causadas por el estilo, cansancio o entusiasmo del entrevistador.
El ejercicio también refleja cambios dentro del trabajo de consultoría. La IA generativa ya respalda la investigación, la síntesis, el análisis, la lluvia de ideas y la producción de documentos.
Estas herramientas aceleran la generación de información. No eliminan la necesidad de identificar la preocupación de una parte interesada ni de defender una recomendación bajo cuestionamiento.
Los primeros pilotos de entrevistas con IA de McKinsey se centraron en cómo los solicitantes usan la IA durante un caso. Marie Christine Padberg, de McKinsey, describió la IA como otro analista de negocios dentro del equipo, según una revisión detallada de los casos asistidos por IA.
Ese formato examina si los candidatos delegan con criterio, cuestionan la salida del modelo y forman sus propias conclusiones. El formato de cliente simulado pregunta si pueden comunicarse cuando la IA ocupa la silla del cliente.
En conjunto, los pilotos apuntan hacia una definición más amplia de la preparación para puestos de nivel inicial. Producir análisis importa, pero gestionar análisis generados por máquinas y preocupaciones humanas importa más que antes.
Este cambio presiona a los candidatos cuya ventaja proviene principalmente de estructuras memorizadas. Favorece a los solicitantes que pueden diagnosticar una conversación y modificar su enfoque sin perder claridad.
También presiona a los preparadores de entrevistas y a las universidades. La preparación debe incluir ahora intercambios improvisados con partes interesadas, no solo marcos, cálculo mental y recomendaciones finales.
Los candidatos siguen necesitando pensamiento estructurado. La nueva lección es que la estructura debe orientar una conversación, no impedir que el candidato la escuche.
La IA interpreta al cliente, no al juez
La salvaguarda más importante es también la inversión central: según se informa, los humanos toman la decisión de contratación mientras la IA crea la situación que se evalúa.
Muchos sistemas automatizados de contratación operan en fases anteriores del proceso. Filtran currículums, clasifican solicitudes, analizan evaluaciones o realizan entrevistas preliminares a gran escala.
Los solicitantes a menudo no pueden ver qué características utilizan esos sistemas. Puede que no sepan si un algoritmo influyó en su rechazo ni cómo impugnar un error.
El diseño reportado de McKinsey evita la puntuación automatizada directa. El avatar conversa con los candidatos, pero evaluadores humanos interpretan su desempeño.
Ese límite importa desde el punto de vista legal y ético. Un modelo conversacional que recomienda decisiones de contratación plantea preocupaciones distintas de otro que solo presenta un escenario estandarizado.
La distinción no vuelve irrelevante a la tecnología. El avatar sigue determinando qué preguntas surgen, cómo reacciona y cuándo introduce información.
Esas decisiones conversacionales moldean la evidencia disponible para los evaluadores. Si el sistema responde de manera diferente ante candidatos similares, la comparación resultante se vuelve menos fiable.
Aun así, mantener a los humanos como responsables evita que el modelo convierta inferencias inciertas en una clasificación automática. También permite a los evaluadores considerar un contexto que va más allá de una transcripción o una puntuación numérica.
El enfoque se parece más a una evaluación mediante juego de roles que a un filtro algorítmico. Los empleadores llevan mucho tiempo utilizando presentaciones, ejercicios grupales, actores y simulaciones de conversaciones con clientes para evaluar el comportamiento en el trabajo.
La IA facilita la reproducción de ese método. Un personaje sintético no se cansa, no olvida el guion ni improvisa más allá de un escenario aprobado, salvo que esté configurado para ello.
También puede presentar el mismo reto subyacente en distintas oficinas. McKinsey puede variar los detalles superficiales mientras conserva el comportamiento que desea observar.
Sin embargo, la evaluación humana crea otro requisito: los evaluadores necesitan una rúbrica definida. Sin ella, un avatar estandarizado simplemente proporciona evidencia inconsistente a jueces subjetivos.
Una rúbrica útil distinguiría entre escuchar y estar de acuerdo. Los candidatos sólidos no deberían recibir crédito simplemente porque aceptan todo lo que dice el cliente simulado.
A veces los consultores deben cuestionar la suposición de una parte interesada. La habilidad relevante consiste en reconocer la preocupación, poner a prueba su fundamento y explicar por qué otro camino sigue siendo preferible.
Los evaluadores también deben separar el estilo conversacional de la calidad del razonamiento. La confianza, el acento, la velocidad al hablar y la familiaridad con el lenguaje ejecutivo pueden influir en las impresiones sin predecir el desempeño.
Por tanto, el valor del sistema depende del proceso completo de evaluación. Un avatar coherente solo ayuda si los criterios de evaluación están relacionados con el puesto, documentados y aplicados de manera uniforme.
McKinsey no ha divulgado públicamente el modelo, la rúbrica detallada, la metodología de validación ni las normas de retención de los datos de conversación. Tampoco ha publicado pruebas que comparen los resultados con entrevistas convencionales.
Estas omisiones no demuestran que el piloto sea defectuoso. Significan que los observadores externos todavía no pueden verificar la afirmación de McKinsey de que el ejercicio refleja la mayoría de las situaciones cotidianas de consultoría.
Para los candidatos, la señal práctica es clara. La empresa quiere observar si pueden escuchar, adaptarse y mantener la responsabilidad sobre una respuesta bajo presión conversacional.
Para los empleadores, la lección es más limitada. Mantener a un responsable humano de la decisión es valioso, pero no hace automáticamente que una evaluación mediada por IA sea justa o precisa.
La estandarización no equivale a la equidad
Un cliente digital repetible puede reducir la variación entre entrevistadores, pero la repetibilidad por sí sola no puede demostrar que una evaluación trate a los candidatos de manera justa.
La estandarización parece objetiva porque cada solicitante puede encontrarse con indicaciones similares. Sin embargo, la equidad también depende de cómo el sistema reconoce el habla y responde a diferentes patrones de comunicación.
Un avatar puede comportarse de manera coherente con candidatos que hablan en un estilo esperado. Puede volverse menos predecible cuando los acentos, las pausas, las discapacidades o la comunicación indirecta alteran la conversación.
Incluso pequeños errores de transcripción pueden cambiar el significado. Un matiz omitido o un número reconocido incorrectamente podría llevar el intercambio por una ruta distinta.
Los evaluadores humanos podrían percibir la dificultad resultante sin darse cuenta de que la provocó el sistema. El candidato cargaría entonces con la consecuencia de un fallo oculto dentro de la interacción.
Ese riesgo hace que las adaptaciones sean esenciales. McKinsey ya indica a los candidatos que existen ajustes relacionados con discapacidades para sus evaluaciones actuales.
El piloto de avatar necesita procedimientos igual de claros. Los candidatos deben saber cómo solicitar otro formato y qué ocurre cuando el sistema los malinterpreta.
La divulgación también importa. Los postulantes deberían entender si la conversación se graba, cuánto tiempo permanecen almacenados los datos y si estos se utilizarán para entrenar futuras versiones.
McKinsey debería explicar si los evaluadores ven una transcripción, una grabación o únicamente el intercambio en directo. Cada formato introduce distintas posibilidades de errores de contexto.
El sesgo también puede introducirse mediante el diseño de escenarios. Una personalidad de cliente basada en un único modelo de comportamiento ejecutivo puede favorecer a candidatos que ya conocen ese entorno social.
La investigación sobre la contratación justa con IA muestra por qué las afirmaciones generales sobre neutralidad merecen un examen riguroso. Las distintas definiciones de equidad algorítmica pueden entrar en conflicto, y los datos sesgados pueden reproducir desventajas previas.
Según los informes, el sistema de McKinsey no clasifica automáticamente a los candidatos, por lo que la investigación sobre puntuación automatizada no se aplica perfectamente a este piloto. La advertencia sigue siendo pertinente para el comportamiento del modelo y para los humanos que lo interpretan.
La supervisión humana puede detectar fallos evidentes, pero las personas también pueden confiar con demasiada facilidad en un sistema pulido. Un avatar realista puede hacer que sus respuestas parezcan más autoritativas de lo que son.
La validación más sólida compararía el ejercicio con el desempeño laboral posterior. McKinsey tendría que preguntar si quienes obtienen puntuaciones altas se convierten, tras incorporarse, en mejores oyentes, asesores y miembros de equipo.
También debería comparar los resultados entre grupos demográficos, trayectorias educativas, acentos y situación de adaptaciones. Las tasas agregadas de aprobación por sí solas no explicarían por qué aparecen las diferencias.
Otra prueba útil examinaría la consistencia entre sesiones repetidas. Si estrategias idénticas producen conversaciones sustancialmente diferentes, el avatar podría introducir más ruido del que elimina la estandarización.
Las reacciones de los candidatos también importan. Una evaluación puede ser predictiva y, aun así, dañar la confianza si los postulantes la consideran opaca, invasiva o innecesariamente teatral.
El mercado de contratación en general ya contiene una tensión entre la automatización y el contacto personal. Algunas empresas han restaurado etapas presenciales porque los candidatos pueden utilizar chatbots durante entrevistas remotas.
Un giro hacia la contratación presencial incluyó anteriormente a McKinsey, Google y Cisco. Los empleadores querían confirmar la identidad y observar capacidades fundamentales sin asistencia.
El nuevo piloto combina esos instintos. Los candidatos asisten en persona, evaluadores humanos observan y la IA aporta un desafío conversacional controlado.
Ese modelo híbrido puede resultar más aceptable que una entrevista no supervisada con un bot. Su legitimidad seguirá dependiendo de reglas transparentes y de pruebas de que el ejercicio mide comportamientos relevantes.
Hasta que McKinsey publique resultados de validación, la descripción más justa es experimental. El piloto crea un entorno de evaluación plausible, pero su valor predictivo sigue sin demostrarse.
Los rivales de consultoría prueban rutas diferentes
El experimento de McKinsey forma parte de un cambio más amplio en la consultoría, pero las grandes firmas aún no han convergido en un único modelo para evaluar el criterio en la era de la IA.
El proceso público de selección de Boston Consulting Group sigue haciendo hincapié en entrevistas de habilidades, entrevistas de casos y conversaciones de equipo. Su proceso de entrevistas destaca la resolución de problemas, la capacidad analítica, la comunicación, la curiosidad y la colaboración.
BCG también ha puesto a prueba evaluaciones relacionadas con IA en oficinas seleccionadas. Los formatos reportados incluyen dar a los postulantes acceso a un modelo de lenguaje durante un caso y preguntarles cómo utilizarían la IA en escenarios laborales.
Estas pruebas colocan la IA junto al candidato como una herramienta. Evalúan si el postulante sabe cuándo utilizarla, cómo valorar sus resultados y cuándo rechazar sus sugerencias.
El cliente ficticio de McKinsey, en cambio, coloca a la IA frente al candidato. El postulante debe tratar al sistema como una parte interesada, no como un asistente.
Bain ha indicado que los candidatos deberían esperar que la IA se vuelva más visible en la selección. Sin embargo, sus formatos detallados han variado según la situación, según los informes, y siguen estando menos definidos públicamente.
Las diferencias revelan una cuestión aún sin resolver en el sector. ¿Deben las firmas de consultoría evaluar la operación de IA, la supervisión de IA, la comunicación con clientes o las tres?
Las entrevistas sobre uso de herramientas se ajustan al flujo de trabajo que los candidatos encontrarán tras incorporarse. Los consultores necesitan cada vez más dirigir modelos, inspeccionar resultados y combinar material generado con otras evidencias.
Las simulaciones de clientes miden otra parte del trabajo. Evalúan si alguien puede transformar un análisis en una recomendación que responda a las preocupaciones reales de una audiencia.
Ningún formato representa por completo el trabajo de consultoría. Los proyectos reales se desarrollan durante semanas o meses, involucran equipos y contienen dinámicas políticas organizacionales que un ejercicio breve no puede reproducir.
El límite de 10 minutos acentúa este problema. Ofrece a los evaluadores una muestra focalizada, pero puede premiar el procesamiento verbal rápido por encima del juicio más pausado y deliberado.
Ese equilibrio ya existe en las entrevistas tradicionales de casos. El avatar no lo crea, aunque una interfaz desconocida puede intensificar la presión.
Por ello, la afirmación reportada de McKinsey del 80 por ciento debe interpretarse con cautela. Una simulación puede abarcar categorías habituales de interacción sin recrear su profundidad, consecuencias o relaciones.
Un avatar de alcalde puede objetar una recomendación. No puede reproducir la confianza acumulada, las restricciones políticas y la memoria institucional que sustentan la respuesta de un alcalde real.
El ejercicio se entiende mejor como una muestra de comportamiento. Aporta una visión adicional de cómo un postulante gestiona a una parte interesada, no una versión en miniatura de un proyecto de consultoría.
Ese enfoque debería orientar las comparaciones con los rivales. McKinsey no está necesariamente por delante porque su avatar parezca más visible o técnicamente elaborado.
La cuestión relevante es si el ejercicio mejora las decisiones de contratación. Un caso sencillo liderado por humanos con una rúbrica sólida puede superar a una simulación avanzada con una validación débil.
Las firmas también afrontan una prueba de credibilidad porque asesoran a clientes sobre la adopción de IA. Sus propios procesos de selección demostrarán si aplican la gobernanza que recomiendan en otros ámbitos.
Si una firma exige una evaluación cuidadosa de modelos a los candidatos, debería evaluar sus modelos de contratación con la misma disciplina. Eso incluye probar modos de fallo y documentar la responsabilidad humana.
Por tanto, la competencia no consiste en desplegar más IA. Consiste en encontrar pruebas creíbles de que una entrevista rediseñada selecciona a personas adecuadas para la consultoría asistida por IA.
Lo que la entrevista de cliente con IA de McKinsey debe demostrar a continuación
Tres señales mostrarán si el piloto se convierte en un método de contratación significativo o sigue siendo un experimento limitado de selección.
La primera señal es la expansión. Los informes indican que el piloto de otoño involucra a cientos de candidatos a analista de negocios de Norteamérica, no a todo el grupo de postulantes de McKinsey.
Si McKinsey introduce el ejercicio en más puestos o regiones, eso mostraría confianza interna en su valor operativo. Una retirada discreta sugeriría pruebas débiles, resistencia de los candidatos o problemas de implementación.
La expansión por sí sola no demostraría calidad. La firma podría ampliar una evaluación eficiente antes de probar que predice el desempeño.
La segunda señal es la validación. McKinsey debería definir qué significa el éxito y revelar si el desempeño con el avatar se correlaciona con entrevistas posteriores o resultados en el trabajo.
Las pruebas útiles incluirían consistencia entre sesiones, diferencias entre grupos de candidatos, resultados de adaptaciones y comparaciones con ejercicios de interpretación de roles realizados por humanos.
Sin esas medidas, las afirmaciones sobre realismo siguen siendo descriptivas. No demuestran que el ejercicio identifique a consultores más sólidos ni produzca decisiones más justas.
La tercera señal es cómo responden los competidores. Si BCG, Bain y otros empleadores adoptan simulaciones de partes interesadas, la interpretación de roles con IA podría convertirse en una categoría de evaluación reconocible.
Una reacción distinta también sería informativa. Los rivales podrían favorecer casos asistidos por IA porque reflejan más directamente cómo los consultores investigan y analizan problemas ahora.
Los candidatos deberían prepararse para ambas posibilidades. Necesitan suficiente competencia en IA para supervisar una herramienta y suficiente sensibilidad conversacional para cuestionar respetuosamente a un cliente simulado.
Esa preparación no debería significar memorizar respuestas para cada personalidad de avatar. El propósito mismo de la entrevista de cliente con IA de McKinsey es dejar al descubierto los guiones rígidos.
En su lugar, los postulantes pueden practicar un ciclo de escucha repetible. Identificar la preocupación, confirmar su significado, explicar su efecto en el análisis y señalar qué debería ocurrir después.
También deberían pedir a los reclutadores detalles prácticos. Entre las preguntas pertinentes están si la sesión se graba, si hay adaptaciones disponibles y cómo utilizan los evaluadores humanos la interacción.
Los trabajadores del conocimiento fuera de la consultoría deberían prestar atención porque este modelo puede extenderse. Las ventas, la gestión de producto, el éxito del cliente, la administración sanitaria y la contratación de liderazgo implican conversaciones con partes interesadas.
Los empleadores podrían utilizar simulaciones para presentar escenarios consistentes sin programar actores ni formar a cada entrevistador para desempeñar un papel.
Esa conveniencia hará atractiva la interpretación de roles con IA. También aumentará la necesidad de que los candidatos conserven pruebas sobre instrucciones, adaptaciones y condiciones de evaluación.
Los postulantes que gestionan varios procesos de selección pueden beneficiarse de una base de conocimientos de IA privada. Puede mantener conectados los detalles del puesto, la orientación del reclutador, las notas de práctica y las preguntas de seguimiento sin exponer material confidencial de evaluación.
La cuestión más profunda no es si un avatar puede sonar como un cliente. Los sistemas conversacionales modernos ya pueden sostener un breve intercambio empresarial.
La verdadera prueba es si los empleadores pueden distinguir la teatralidad de la evidencia. Una interacción convincente solo es útil cuando mide habilidades relevantes y respalda un juicio humano responsable.
Durante los próximos ciclos de contratación, observe la validación publicada, un despliegue más amplio y salvaguardas claras para los candidatos. Esas señales determinarán si los clientes simulados se convierten en una capa duradera de la contratación.
Hasta entonces, considere el formato un experimento con una premisa sensata y una base de evidencia incompleta. Si mañana se enfrentara a un cliente sintético, ¿podría dejar de actuar el tiempo suficiente para escuchar lo que realmente le estaba preguntando?
